Antologia Simulación Sistema
Antologia Simulación Sistema
Antologia Simulación Sistema
Academia de Informática y
Sistemas Computacionales
Antología
SCB-9310 SIMULACIÓN
Presenta
Contenido
...........................................................................................................................
INTRODUCCIÓN................................ ........................... 4
UNIDAD 1 ................................................................................................................................
................................ ..................................... 5
........................... 5
INTRODUCCIÓN A LA SIMULACIÓN...........................................................................................
SIMULACIÓN
1.1 Definición ............................................................................................................................
................................ ............................ 5
1.2 Conceptos básicos de modelación ................................................................
.................................................... 10
1.3. Metodología de la Simulación.........................................................................................
Simulación ......................... 15
1.4. Sistemas, modelos y simulación................................................................
simulación ...................................................... 23
1.5 Estructura y etapa de un modelo de simulación...............................................................
simulación ............................... 35
1.6. Etapas de un proyecto de Simulación ................................................................
.............................................. 36
UNIDAD 2 ................................................................................................................................
................................ ................................... 37
UNIDAD 3 ................................................................................................................................
................................ ................................... 57
UNIDAD 4 ................................................................................................................................
................................ ................................... 63
UNIDAD 5 ................................................................................................................................
................................ ................................... 71
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
3
Página
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
INTRODUCCIÓN
La creciente capacidad de las computadoras y la inmensa
investigación en el campo de la Ciencia de la Computación oto otorgan nuevas
herramientas para apoyar el proceso de la toma de decisiones en diversas
disciplinas y áreas de diseño y manejo de la industria. La Simulación es una
de las herramientas más importantes y más interdisciplinarias. En pocas
palabras podemos decir, cir, que la simulación realiza cuando la computadora
finge ser una tienda, un avión o un mercado de abarrotes. El usuario define
la estructura del sistema que quiere simular.
computación.
Página
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
UNIDAD 1
INTRODUCCIÓN A LA SIMULACIÓN
1.1 De
Definición
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Ventajas:
1. La simulación hace posible estudiar y experimentar con las
interacciones complejas de un sistema dado (sin importar cual).
La simulación
ación es una técnica muy poderosa y ampliamente usada en
las ciencias para analizar y estudiar sistemas complejos. En Investigaciones
se formularon modelos que se resolvían en forma analítica. En casi todos
estos modelos la meta era determinar soluciones óptimas.
óptimas. Sin embargo,
debido a la complejidad, las relaciones estocásticas, etc., no todos los
problemas del mundo real se pueden representar adecuadamente en
forma de modelo.
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Thomas h. Naylor
Simulación
imulación es una técnica numérica para realizar experimentos
experimentos en una
computadora digital. estos experimentos involucran ciertos tipos de modelos
matemáticos y lógicos que describen el comportamiento de sistemas de
negocios, económicos, sociales, biológicos, físicos o químicos a través de
largos periodos de tiempo.
H. MAISEL Y G. GNUGNOLI
Robert. Shannon
con los obtenidos por otros sistemas comparables con el que se está
Página
examinando.
¿COMO
COMO SE DEFINE UN SISTEMA EN SIMULACIÓN?
SIMULACIÓN
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
SISTEMA DE MANUFACTURA
ENTRADA PROCESO SALIDA EVALUACIÓN
1. EFICIENCIA
FACILIDADES 2. COSTOS DE TRANSFORMACIÓN
MATERIA PRIMA SISTEMA DE PRODUCTO 3.INVENTARIO EN PROCESO
PRESUPUESTO TRANSFORMACIÓN TERMINADO 4.TIEMPO DE PROCESO
INFORMACIÓN (distribución y asignación) 5.PRODUCCIÓN/HORA
6.AREA OCUPADA
SISTEMA DE SERVICIO
ENTRADA PROCESO SALIDA EVALUACIÓN
Tipos de simulación:
Simulación
predectiva
Simulación Simulación
Investigativa comparativa
8 Página
Simulación
Simulación de
Visual
caja negra
Interactiva
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Simulación predictiva:
En la simulación predictiva nos interesamos por los resultados
absolutos finales, no por las comparaciones. Determinamos promedios e
intervalos de confianza de una corrida de simulación
simulación con valores específicos
en las variables de decisión (varias corridas, mejores resultados).
Simulación comparativa:
comparativa
En la simulación comparativa determinamos cuando una opción es
mejorr que otra. (1 cola vs 4 colas). Se debe especificar detalladamente
que significado tiene la palabra "mejor", para definir cuales serán los
datos de salida a comparar. Mejor significa mantener las colas lo mas
cortas posibles o es un compromiso entre tiempo
tiempo de servicio, largo de cola y
costo por servidor?
Simulación Investigativa:
La simulación investigativa indica
indica factores que afectan el flujo de
entidades en el sistema pero no requiere de respuestas precisas, por lo que
la calidad de los datos de entrada no son críticos.
la toma de decisiones.
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Acelera análisis.
Constituye
tituye un sistema de referencia para probar la aceptación de
Página
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Definición de modelo
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
ENTRADA ENTRADA
X
CORRESPONDENCIA
PARÁMETROS
PARÁMETROS característica o
característica o CORRESPONDENCIA
SISTEMA MODELO atributos de
atributos del modelo
sistema
INFERENCIA
SALIDA SALIDA
Y
Los parámetros son cantidades a las cuales se les asignar valores, una
vez establecidos los parámetros, son constantes y no varían dentro de la
simulación.
definiciones
es que relacionan ciertas variables o parámetros, donde una
salida de proceso es singularmente determinada por una entrada dada.
Las relaciones estocásticas son aquellas en las que el proceso tiene de
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Incapacidad de clasificar
clasificar los hechos relevantes e irrelevantes y cómo
pueden afectarse al implementar decisiones.
Adaptabilidad
Credibilidad
Simplicidad
cidad (menor número de parámetros)
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
(1)
(2)
RECOLECCIÓN Y PROCESAMIENTO
DE DATOS
15
(3)
Página
(4)
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
MODELO RECHAZADO
MODELO
ACEPTADO (6)
FORMULACIÓN DEL
PROGRAMA PARA LA
COMPUTADORA
(7)
VERIFICACIÓN
(8)
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
forma ya sea de: (1) preguntas que deben contestarse, (2) hipótesis que se
deben probarse y (3) efectos por estimarse.
ii. Especificación
ecificación de las variables y los parámetros
iii. Especificación de las relaciones funcionales.
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Una vez que hemos recolectado los datos apropiados del sistema y
formulando varios modelos matemáticos que describen su comportamiento
es necesario estimar sus valores de los parámetros de dichos modelos y
probar su significación
nificación estadística.
18
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
ji cuadrada
Prueba F
De entre las preguntas que nos interesa formular durante esta etapa
del procedimiento, se encuentran las siguientes:
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Diagrama de flujo
Lenguaje de computadora
Compiladores de propósito general
Lenguajes de simulación de propósitos especiales
Búsqueda de errores
Datos de entrada y condiciones iniciales
Generación de datos
Reportes
rtes de salida
21
Página
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
VALIDACIÓN
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Sistema
Pueden darse varias definiciones de sistema:
• "Conjunto de elementos que interactúan entre sí, con un fin común, que
se aísla del universo para su estudio."
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
SUBSISTEMA:
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Los elementos y las relaciones que los ligan entre sí definen los
subsistemas. Los subsistemas y las relaciones entre sí definen al sistema en
estudio.
Desde
sde muy antiguo la humanidad ha intentado adivinar el futuro. Ha
querido conocer qué va a pasar cuando suceda un determinado hecho
histórico. La simulación ofrece, sobre bases ciertas, esa predicción del
futuro, condicionada a supuestos previos.
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Por otro lado existe un Axioma: “el futuro es menos cierto que el
presente”.
También nos hace una aguda observación: “el pasado es tan d difícil
de conocer con certeza como el futuro, cosa digna de reflexión en cuanto
nos fundamos en datos del pretérito para averiguar el porvenir”
porvenir”.
27
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Y = g(X1,X2,...,Xn)
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
• El determinismo.
determinismo. La base de datos y las relaciones causales son
altamente específicas y precisas respecto del fenómeno contemplado. Sólo
se espera que haya uno y sólo un acontecimiento probable, que repetirá
situaciones anteriores.
riores. Se tiene una identidad efectiva entre los estados a
priori y los que realmente se producen. Los instrumentos de análisis
correspondientes son: modelos de análisis de estados de los sistemas
finitos; programación lineal y modelos de máx. Y mín.; aná análisis de la
regresión, de la correlación, análisis de series temporales y espectrales, con
tratamiento exógeno del error, si es que lo hay.
complicado que la misma. Para que sea completo, el modelo debe se ser
representativo de aquellos aspectos de la realidad que están
Página
investigándose.
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
CLASIFICACIÓN
SIFICACIÓN DE LOS MODELOS DE SIMULACIÓN
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
MODELOS ANALOGICOS
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
completa; la podemos a disposición del lector, para que éste tenga una
mejor comprensión de las diferencias esenciales entre los modelos.
CUANTITATIVOS Y CUALITATIVOS
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
FORMULACIÓN
RMULACIÓN DEL MODELO.
MODELO. Reducción o abstracción del sistema
real a un diagrama de flujo lógico.
PLANEACION ESTRATÉGICA.
ESTRATÉGICA Diseño del un experimento que
producirá la información deseada.
PLANEACIÓN TÁCTICA.
TÁCTICA Determinación de cómo se realizará cada
35
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
MONITOREO Y CONTROL:
CONTROL No hay que olvidar que los sistemas son
dinámicos y con el transcurso del tiempo es necesario modificar el modelo
de simulación, ante los nuevos cambios del sistema real, con el fin de llevar
a cabo actualizaciones periódicas que permitan que el modelo siga siendo
una representación del sistema.
sistema
Etapa Descripción
Formulación del Define el problema que se pretende estudiar.
problema. Incluye por escrito sus objetivos.
Diseño del modelo Especificación del modelo a partir de las
conceptual. características
rísticas de los elementos del sistema que se
quiere estudiar y sus interacciones teniendo en
cuenta los objetivos del problema.
Recogida de datos. Identificar, recoger y analizar los datos necesarios
para el estudio.
Construcción del Construcción
ción del modelo de simulación partiendo del
modelo. modelo conceptual y de los datos.
Verificación y Comprobar que el modelo se comporta como es de
validación. esperar y que existe la correspondencia adecuada
entre el sistema real y el modelo.
Análisis. Analizar
izar los resultados de la simulación con la
36
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
UNIDAD 2
NUMEROS PSEUDOALEATORIOS
0 x<0
( )= 0<x<1
1 x>1
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Deben ser:
1. Uniformemente distribuidos
38
2. Estadísticamente
mente independientes
Página
3. Reproducibles
4. Sin repetición dentro de una longitud determinada de la sucesión
5. Generación a grandes velocidades
6. Requerir el mínimo de capacidad de almacenamiento
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
ni+1 = a ni + c (mod m) → 1
donde:
ni, a, c y m : son enteros no negativos
n1= a n0 + c (mod m)
{ri} = {ni / m}
39
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
a) Uniformemente distribuidos
b) Estadísticamente independientes
c) Reproducibles
d) Sin repetición dentro de una longitud determinada
Métodos
étodos que utilizan ecuaciones de recurrencia para generar números
pseudoaleatorios.
Método
étodo de cuadrados centrales.
ejemplo:
a) ENTERO sea:
n0 = 83,
n1 = d. c. (6889) = 88
40
n2 = d. c. (7744) = 74
n3 = d. c. (5476) = 47
Página
n4 = d. c. (2209) = 20
n5 = d. c. (0400) = 40
n6 = d. c. (1600) = 60
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
n0 = 0.528
n1 = 0.278784 = 0.787
n2 = 0.619369 = 0.193
n3 = 0.037249 = 0.372
n4 = 0.138124 = 0.383
n5 = 0.146689 = 0.466
n6 = 0.217151 = 0.171
n7 = 0.029241 = 0.292
n8 = 0.085264 = 0.852
n9 = 0.725904 = 0.259
n10 = 0.067021 = 0.670
n11 = 0.4489
4489 = 0.489
n12 = 0.239121 = 0.391
n13 = 0.152881 = 0.528 P = 13
n14 = 0.278784 = 0.787
-Métodos
Métodos congruenciales “69”
Reglas:
a = 8 * c3
41
c = cualquier entero
Página
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
MIXTO MU
MULTIPLICATIVO
Para i = 0, 1, 2, …,m-1,
…,m 1, donde a, c, m son enteros positivos. A n0 se le llama
semilla inicial.
i
i a 1
n a n c mod m
0 a 1
donde i = 0, 1, 2,…,m-1
a, c, n0 < m
h = máximo periodo
BASE 2
h = 2b-2 ; b<2 h = m = 2b ; donde b > 2
a 2 2 1
b
m= 2b
a m donde a impar a 2 s 1; s 2
n0 impar positivo c = impar positivo y n0 entero
positivo
(a,m) =1
b
b par
b 2
2 b 1
b b impar
a 22 1 ; 2
BASE 10
h = 5 * 10d-2; d>3 h = m 10d; d 3
a 10 2 1
d
m = 10d
42
a 200t p a 10s 1; s 1
Página
t= cualquier entero
tero positivo si d = 3, poner a = 101
d
p 3 mod 8 0 para d 4
a 10 2
1
p = {3,11,13,19,21,27,29,
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
m>h
p < mod m
h m 10 d 3
2
a a 10 2 1
a 10s 1; s= 1, 2, 3,…
caso particular
c que no sea múltiplo de 5
c=
= 1, 3, 7, 9, 11, 13, 117, 19, ….(m-1)
….(m
n0 = cualquier entero positivo…(m-1)
positivo…(m
ejemplo:
h = m = 103 d=3
a 10 + 1 = 32.62
43
3/2
posibles de a s a
Página
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
d a d a
3 32.62 3 101
4 101 4 1101
5 317.22 más cercano al valor de a. 5 101
6 1001 6 1001
7 3163.27 7 1001
8 10001 8 10001
9 31623.77 9
d d d par
2
2 d 1
d impar
2
d= 4 a=104/2 + 1 = 102 + 1
d= 5 a=105/2 + 1 = 101
a m a impar
a 512 22.63
a 8t 3 , t = 0, 1, 2, 3, 4, 5, …
t a
0 3
44
1 5
Página
11
2 13
19
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
3 21
27
4 29
35
NOTA: Con
on estos parámetros genero 128 datos.
n0 , n1 , n2 ,... nk semillas
a 1 5 2..
45
Las propiedades
ropiedades estadísticas de este método tienden a mejorarse
cuando k se incremente. Además, este método genera períodos mayores
Página
que el módulo m.
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
esperadas.
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
H0: F(x)=F0(x)
Para deducir una prueba estadística para H0, considérese el caso de k = 2. Este
es el caso de la distribución binomial con x = n1, p = p1, n-x =n2 y 11-p =p2. Sea la
variable aleatoria estandarizada:
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
para n grande, esta variable aleatoria se distribuye según una N(0;1). Además
sabemos que el cuadrado de una variable aleatoria N(0,1) se distribuye según una chi
chi-
cuadrado con un grado de libertad. Entonces el estadístico
frecuencias que se observan aisladas con la función de densidad propuesta tal y como
implica la hipótesis nula; sino, más bien, la comparación se lleva a cabo aproximando la
distribución continua bajo H0 con un número finito de intervalos de clase.
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
¿Qué tan grande debe ser el tamaño de la muestra? Se ha encontrado que con n
igual a 5 veces el número de clases, los resultados son aceptables. Una regla
conservadora es que ninguna clase tenga una frecuencia inferior a 5; si esto sucediera,
se agruparían clases vecinas.
Ejemplo 1
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Con a=0,05, ¿existe alguna razón para creer que el número de empleados que
asisten al consultorio médico, no se encuentra distribuido de forma equitativa durante los
días de la semana?
Solución
Una distribución uniforme lleva consigo que la probabilidad sería la misma para
cada día de la semana. Por tanto pi=0,2 para i = 1, 2, 3, 4, 5.
Ejemplo 2
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
los datos están ajustados a una normal de media 491 y desviación típica 120.
Con base en la prueba de bondad de ajuste chi-cuadrado,
chi cuadrado, ¿existe alguna razón para
creer que el número de respuestas correctas no se encuentra distribuidas según una
N(491; 120) a un nivel =0,05?
=0,05?
Solución
Se obtiene que el valor de χ2 con 12 clases es igual a 12.667,64. Por otro lado
el valor crítico
51
Página
Por tanto la hipótesis nula debe rechazarse. Este ejemplo ilustra el comentario
formulado anteriormente con respecto a muestras muy grandes, en las cuales con casi
toda seguridad la hipótesis nula será rechazada.
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
EL ESTADÍSTICO DE KOLMOGOROV-SMIRNOV
KOLMOGOROV
Si la hipótesis nula es correcta las diferencias entre Sn(x) y F0(x) serán pequeñas.
El estadístico de Kolmogorov-Smirnov
Kolmogorov se define como
Ejemplo 4
A continuación se dan los valores ordenados de una muestra aleatoria con las
respuestas correctas de los estudiantes que ingresaron en la universidad en la prueba
del SAT: 852, 875, 910, 933, 957, 963, 981, 998,998, 1010, 1015, 1018, 1023, 1035,
52
por una N(985; 50). Con base en la muestra, ¿existe alguna razón para creer que ha
ocurrido un cambio en la distribución de respuestas correctas
correctas en las pruebas del SAT?
Empléese un nivel =0,05.
Solución
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Prueba de chi-cuadrado
cuadrado para el análisis de tablas de contingencia
con dos criterios de clasificación
El análisis de una tabla de este tipo supone que las dos clasificaciones son
independientes. Esto es, bajo la hipótesis nula de independencia se desea saber si existe
una diferencia entre las frecuencias que se observan y las correspondientes frecuencias
que se esperan. La prueba chi-cuadrada
chi da los medios apropiados.
Sea n una muestra que se clasifica según A y B, cada uno de los cuales tiene r y c
categorías. Además, sea Nij el número de observaciones de las categorías i, j de A y B.
Se pueden tabular los datos en una matriz de r x c. El total del i-ésimo
ésimo renglón es la
frecuencia de la i-ésima
ésima categoría de A, de manera similar para las columnas. Sea
53
Página
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
cuando n es grande.
Afortunadamente, la prueba
prueba de bondad de ajuste de la chi chi-cuadrado
permanece como la estadística apropiada siempre que se empleen los estimados de
máxima verosimilitud y se reste un grado de libertad del total para cada parámetro
que se esté estimando. Dado que
rc-1-(r-1)-(c-1)=rc-r--c+1=r(c-1)-(c-1)=(r-1)(c-1)
al sustituir se obtiene
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Ejercicio 5
Una compañía evalúa una propuesta para fusionarse con una corporación. El
consejo de directores desea muestrear la opinión de los accionistas para determinar si
esta es independiente del número de acciones que posee cada uno. Una muestra
aleatoria dee 250 accionistas da los siguientes resultados:
Número de Opinión
acciones A En contra Indecisos Totales
favor
Menos de 200 38 29 9 76
200-1000 30 42 7 79
Más de 1000 32 59 4 95
Con base en esta información, ¿existe alguna razón para dudar de que la
opinión con respecto a la propuesta es independiente del número de acciones que posee
el accionista? Úsese =0,1.
Solución
Número de Opinión
Página
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Sumas
1,9 2,80036437 1,40236842 6,10273279
0,08101266 0,0206037 0,07316456 0,17478092
0,94736842 1,86558704 1,70526316 4,51821862
Suma Total 10,7957323
56
Página
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
UNIDAD 3
3.1 Introducción
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Robusted: el método tiene que ser eficiente para cualquier valor que
tomen los parámetros de la distribución que siga la variable
aleatoria.
Facilidad de implementación.
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
variable aleatoria
ia es a menudo el resumen más útil de un experimento
aleatorio.
px 1
x
F(x) = P(X x) = p t
tx
Ejemplo 1
x 0 1 2 3
p(x) 1 3 3 1
8 8 8 8
P(X 0) = P(X = 0) = 1
8
59
Página
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
x 0 1 2 3
F(x) 1 1 7 1
8 2 8
EX = xp x
x
Propiedades:
E(k)=k
E(kX)=kE(X)
E(XY)=E(X)E(Y)
E(Y)
E(g(X))=g(x)p(x)
g(x)p(x)
E(XY)=E(X)E(Y)=XY
e) Si X y Y son independientes entonces E(XY)=E(X)E(Y)=
Página
VX = E X2 EX2
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
donde, E X2 = x2 p x
x
Para el ejemplo dado, E X2 = 0 2 p0 12 p1 22 p2 32 p3
1 3 3 1 24
= 0 . 1. 4. 9. 3
8 8 8 8 8
2
3 12 9 3
Entonces, VX = 3
2 4 4
V(k)=0
V(kX)=k2V(X)
V(XY)=V(X)+V(Y)
Y)=V(X)+V(Y) si X y Y son independientes
V(aX+bY)= a2V(X)+b2V(Y)+2abCov(XY)
E((X X)(Y-Y)) = E(XY)-XY
donde Cov(XY) = E((X-
Ejemplos:
entre a y b.
Página
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
62
Página
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
UNIDAD 4
LENGUAJES DE SIMULACIÓN
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
3. Examinación de actividades.
Una programación
gramación al evento es modelada, identificando las
características del evento y luego se escriben un juego de rutinas para los
eventos con la finalidad de describir detalladamente los cambios que
ocurren en el tiempo en cada evento. Lenguajes como SIMSCRIP
SIMSCRIPT 11.5 y
SLAM 11 están orientados al evento.
GASP IV
Es una colección de subrutinas FORTRAN, diseñadas para facilitar la
simulación de secuencia
ecuencia de eventos. Cerca de 30 subrutinas y funciones que
proveen numerosas facilidades, incluyendo:
Rutinas de avance del tiempo,
Gestión de listas de eventos futuros,
Adición y remoción de entidades.
65
Colección de estadísticas.
Página
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
SIMSCRIPT II.5
Desarrollado en la RAND Corporation por H. Markowtz en los inicios
de los sesenta. SIMSCRIPT 11.5. Es Es un lenguaje de simulación con
orientación al evento y al proceso, es híbrido porque posee facilidades
para simulación de sistemas discretos y continuos. Un programador
SIMSCRIPT 11.5 consiste de las siguientes partes:
Preamble
Main program
Rutinas de eventos.
ev
Rutinas ordinarias.
SIMAN/Cinema
La versión original del SIMAN (Simulation and Analysis) fue
desarrollada por Dennis Pegden, en la Universidad de Alabama, cuando
era líder del grupo de desarrollo de la versión original de SLAM (basada
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
SLAM II
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
El lenguaje Q-GERT
GERT significó la respuesta al cálculo de estimación de
probabilidades de terminación en cada nodo y la distribución de tiempos y
costos para la realización de cualquier nodo, la estructura básica de un
modelo de simulación Q-GERT
Q GERT es una red compuesta de nodos y
actividades (bifurcaciones). SLAM es una variante de QGERT que ofrece
recursos de eventos de redes y discretos (y también simulación continua).
exponen las Ventajas del uso de herramientas de simulación por una parte,
y de las herramientas multimedia como elemento de transmisión en el
proceso enseñanza-aprendizaje.
aprendizaje. En este trabajo se propone la integración
de las herramientas
amientas de simulación y multimedia para la enseñanza a
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
4.3.1 Modelos
odelos de inventarios.
Modelos de inventario. Comúnmente los inventarios están
relacionados con la mantención de cantidades suficientes
suficientes de bienes
(insumos, repuestos, etc.), que garanticen una operación fluida en un sistema
o actividad comercial. La forma efectiva de manejar los inventarios es
minimizando su impacto adverso, encontrando un punto medio entre la poca
reserva y el exceso
ceso de reserva. Está actitud prevaleció en los países
industrializados de Occidente, incluso después de la segunda guerra
mundial, cuando Japón instauró con gran éxito el sistema (famoso ahora)
"Just in time", ambiente que requiere un sistema de producció
producción (casi) sin
inventario.
En la mayoría de las situaciones del mundo real, el manejo de
inventario involucra un número
número apreciable de productos que varían en
precio, desde aquellos relativamente económicos hasta los muy costosos. El
inventario representa realmente el capital ocioso, es natural que se ejerza
un control en aquellos artículos que sean responsables en el incremento
incremento en el
69
de productos del inventario son los que suelen incurrir en parte importante
del costo del capital, por ende, son los que deben estar sujetos a control
más estricto.
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Por lo tanto, estos modelos de líneas de espera son muy útiles para
determinar cómo operar un sistema de colas de la manera más efectiva.
Proporcionar demasiada capacidad de servicios para operar el sistema
implica costos excesivos; pero al no contar con suficiente
suficiente capacidad de
servicio la espera aumenta con todas sus desafortunadas consecuencias. Los
70
y la cantidad de espera.
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
UNIDAD 5
UNIDAD INTEGRADORA
La experiencia
ia sugiere que el proyecto de Simulación consta de las
siguientes etapas:
71
Página
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
INSTITUTO TECNOLÓGICO SUPERIOR DE CENTLA
Academia
mia de Informática y Sistemas Computacionales
Asignatura: Simulación
Material compilado con fines académicos, se prohíbe su reproducción total o parcial sin autorización
de cada autor.
SIMULACIÓN
12.1. Introducción.
La simulación digital es una técnica que permite imitar (o
simular) en un ordenador el comportamiento de un sistema físico
o teórico según ciertas condiciones particulares de operación.
dS
= Fi ( t ) − Fo ( t )
dt
S( k + 1 ) = S( k ) + Fi ( k ) − Fo ( k )
Modelos Deterministas respecto a Modelos Estocásticos.
RECEPCIÓN PROCESADO
EXPEDICIÓN
DE ÓRDENES DE ÓRDENES
En promedio se reciben
10 órdenes al día: Tiempo de proceso:
- Ordinarias (40%) - Ordinarias (2 horas)
- Prioritarias (60%) - Prioritarias (4 horas)
capacidad necesaria 32
porcentaje de utilización = × 100 = × 100 = 100%
capacidad disponible 32
Orden es
expedida
llegada de
una orden
NO Hay órdenes SI
En la cola
NO 4 trabajadores SI
ocupados
Trabajador Quitar una
en espera orden de
de órdenes la cola
Se inicia el La orden
proceso de entra
la orden en cola
Se inicia el
Figura 12.6. Diagrama de flujo del evento de proceso de
llegada de una orden. la orden
9 10 11 12 13 14 15 16 17 18 19 20
2 + 2 + 2 + 2 horas horas
tiempo de ciclo promedio para órdenes ordinarias = =2
4 órdenes orden
4 + 4 + 4 + 5 + 6 + 7 horas horas
tiempo de ciclo promedio para órdenes prioritarias = =5
6 órdenes orden
0 + 0 + 0 + 0 + 0 + 0 + 0 + 1 + 2 + 3 horas horas
tiempo promedio en la cola = = 0 ,6
10 órdenes orden
7 órdenes a tiempo
nivel de servicio promedio = × 100 = 70%
10 órdenes
3 trabajadores han tenido que trabajar un total de 6 horas extras para completar las
órdenes
12.4.3. Simulación digital mediante un lenguaje de propósito general.
En resumen:
Inconvenientes:
1. Soluciones no exactas.
2. Existe el riesgo de tomar malas decisiones basadas en
modelos de simulación que no han sido validados y
verificados adecuadamente.
12.7. Aplicaciones empresariales de la simulación.
Procesos de fabricación. Fue una de las primeras áreas
beneficiadas por estas técnicas. La simulación se emplea tanto
para el diseño como para la ayuda a la toma de decisiones
operacionales.
Clientes en Cola
Cliente atendido
∑D
i =1
i
∫ Q(t )
0
15
15
∫ B(t )
0
15 15
Arrival Data
Time Between EXPO(5)
Mark Time Attribute Tiempo de llegada
Leave Data
Connect Seleccionar
Enter Data
Station Atención al cliente
Arrival Data
Process Time TRIA(1,4,8)
Leave Data
Connect Seleccionar
Count
Individual Counter
Counter Clientes atendidos
Tally
Individual Tally
Tally Tiempo en Sistema
Attribute Tiempo de llegada
Project
Title Sistema Sencillo
Analyst Yo
Date 10-10-1962
Replicate
Length of Replication 15
27767 43584 85301 88977 29490 69714 94015 64874 32444 48277
13025 14338 54066 15243 47724 66733 74108 88222 88570 74015
80217 36292 98525 24335 24432 24896 62880 87873 95160 59221
10875 62004 90391 61105 57411 06368 11748 12102 80580 41867
54127 57326 26629 19087 24472 88779 17944 05600 60478 03343
60311 42824 37301 42678 45990 43242 66067 42792 95043 52680
49739 71484 92003 98086 76668 73209 54244 91030 45547 70818
78626 51594 16453 94614 39014 97066 30945 57589 31732 57260
66692 13986 99837 00582 81232 44987 69170 37403 86995 90307
44071 28091 07362 97703 76447 42537 08345 88975 35841 85771
59820 96163 78851 16499 87064 13075 73035 41207 74699 09310
25704 91035 26313 77463 55387 72681 47431 43905 31048 56699
22304 90314 78438 66276 18396 73538 43277 58874 11446 16082
17710 59621 15292 76139 59526 52113 53856 30743 08670 84741
25852 58905 55018 56374 35824 71708 30540 27886 61732 75454
46780 56487 75211 10271 36633 68424 17374 52003 70707 70214
59849 96169 87195 46092 26787 60939 59202 11973 02902 33250
47670 07654 30342 40277 11049 72049 83012 09832 25571 77628
94304 71803 73465 09819 58869 35220 09504 96412 90193 79568
08105 59987 21437 36786 49226 77837 98524 97831 65704 09514
64281 61826 18555 64937 64654 25843 41145 42820 14924 39650
66847 70495 32350 02985 01755 14750 48968 38603 70312 05682
72461 33230 21529 53424 72877 17334 39283 04149 90850 64618
21032 91050 13058 16218 06554 07850 73950 79552 24781 89483
95362 67011 06651 16136 57216 39618 49856 99326 40902 05069
49712 97380 10404 55452 09971 59481 37006 22186 72682 07385
58275 61764 97586 54716 61459 21647 87417 17198 21443 41808
89514 11788 68224 23417 46376 25366 94746 49580 01176 28838
15472 50669 48139 36732 26823 05511 12459 91314 80582 71944
12120 86124 51247 44302 87112 21476 14713 71181 13177 55292
95294 00566 70481 06905 21785 41101 49386 54480 23604 23554
66986 34099 74474 20740 47458 64809 06312 88940 15995 69321
80620 51790 11436 38072 40405 68032 60942 00307 11897 92674
55411 85667 77535 99892 71209 92061 92329 98932 78284 46347
95083 06783 28102 57816 85561 29671 77936 63574 31384 51924
90726 57166 98884 08583 93889 57067 38101 77756 11657 13897
68984 83620 89747 98882 92613 89719 39641 69457 91339 22502
36421 16489 18059 51061 67667 60631 84054 40455 99396 63680
92638 40333 67054 16067 24700 71594 47468 03577 57649 63266
21036 82808 77501 97427 76479 68562 43321 31370 28977 23896
13173 33365 41468 85149 49554 17994 91178 10174 29420 90438
86716 38746 94559 37559 49678 53119 98189 81851 29651 84215
92581 02262 41615 70360 64114 56861 96717 54244 10701 41393
12470 56500 50273 93113 41794 86861 39448 93136 25722 08564
01016 00857 41396 80504 90670 08289 58137 17820 22751 36518
34030 60726 25807 24260 71529 78920 47648 13885 70669 93406
50259 46345 06170 97965 88302 98041 11947 56203 19324 20504
73959 76145 60808 54444 74412 81105 69181 96845 38525 11600
46874 37088 80940 44893 10408 36222 14004 23153 69249 05747
60883 52109 19516 90120 46759 71643 62342 07589 08899 05985
APLICACIONES DE LA SIMULACIÓN
SIMULACIÓN - 1 ..
METODOLOGÍA DE SIMULACIÓN (1)
SIMULACIÓN - 2 ..
METODOLOGÍA DE SIMULACIÓN (2)
• RUTAS DE LAS PIEZAS Y POSIBLES
3 RECOPILACIÓN Y ALTERNATIVAS.
ORGANIZACIÓN DE LOS DATOS • SECUENCIACIÓN DE OPERACIONES.
• TIEMPOS DE OPERACIÓN.
• CICLOS DE MÁQUINA Y TIEMPOS DE
PREPARACIÓN.
• EFICIENCIA DE LOS TRABAJADORES.
• TURNOS DE TRABAJO.
• LÓGICA DE PROCESAMIENTO
CREACIÓN DEL MODELO (PRIORIDADES ETC.)
4 MEDIANTE EL SOFTWARE • ...
ADECUADO
Demanda
Punto medio Frecuencia
(Unidades del producto)
20-24 22 0.05
25-29 27 0.10
30-34 32 0.20
35-39 37 0.30
40-44 42 0.20
45-49 47 0.10
50-54 52 0.05
SIMULACIÓN - 5 ..
MÉTODO DE MONTECARLO DE SIMULACIÓN
SIMULACIÓN - 6 ..
REGLA 1 REGLA 2
Número Cantidad Cantidad
Día Demanda Ventas Ventas
aleatorio ordenada ordenada
0 37
1 27 32 37 32 37 32
2 43 37 32 32 37 37
3 85 47 37 37 37 37
4 88 47 47 47 37 37
5 29 32 47 32 37 32
6 69 42 32 32 37 37
7 94 47 42 42 37 37
8 84 37 47 37 37 37
9 32 32 37 32 37 32
10 48 37 32 32 37 37
11 13 27 37 27 37 27
12 14 27 27 27 37 27
13 54 37 27 27 37 37
14 15 32 37 32 37 37
15 47 37 32 32 37 37
587 550 500 555 515
0.2
0.15
0.1
0.05
0
22 27 32 37 42 47 52
Figura 8. Lechería: demanda real versus demanda simulada.
9 35
Utilidad por Período
Utilidad
Ventas
7 33
0 25 50 75 100 125 150
Número de días simulados
Figura 9. Resultados obtenidos versus longitud de la simulación.
SIMULACIÓN - 8 ..
RESULTADOS DE LA SIMULACIÓN DE 100 DÍAS
REGLA 1 REGLA 2
Beneficios: 749 810
Ventas: 1.687 1.735
600
400
200
0
0 10 20 30 40 50 60
ln (1 − NA)
1
t=− P ( x ≤ t ) = 1 − e − λt
λ
Probabilidad Acumulada
0.2
1-EXP(-lambda*t)
0.15 0.7
0.1
0.05
0
0
0-1 1-2 2-3 3-4 4-5 5-6 6-7 7-8 8-9 9-10
0 7.22
(a) Intervalo entre cada llegada
(b) Intervalo entre cada llegada, t
SIMULACIÓN - 10 ..
Intervalo Tiempo Tiempo Salida Tiempo Tiempo de
Nº de Entrada
NA entre de en del de espera servicio
llegada al puerto
llegadas llegada servicio puerto del barco ocioso
1 44 3.5 3.5 3.5 5 8.5 0 3.5
2 18 1.2 4.7 8.5 5 13.5 3.8 0
3 45 3.6 8.3 13.5 5 18.5 5.2 0
4 52 4.5 12.8 18.5 5 23.5 5.7 0
5 14 0.9 13.7 23.5 5 28.5 9.8 0
6 91 15 28.7 28.7 5 33.7 0 0.2
7 63 6 34.7 34.7 5 39.7 0 1.0
8 70 7.4 52.1 52.1 5 57.1 0 12.4
9 72 7.8 59.9 59.9 5 64.9 0 2.8
10 57 5.1 65.0 65.0 5 70.0 0 0.1
Total 24.5 20
llegadas
24,5
TMEspera = = 2,45 días
10
salidas
SIMULACIÓN - 11 ..
Generación de variables
aleatorias
20 de Febrero de 2007 1
ÍNDICE
Definición de simulación.
Generación de variables aleatorias:
✔ Generación de número aleatorios
✔ Método de la función inversa
✔ Otros métodos:
✔ Composición
✔ Convolución
✔ Transformaciones conocidas
✔ Generación de secuencias
Comprobación de resultados
Bibliografía
20 de Febrero de 2007 2
DEFINICIÓN DE SIMULACIÓN
En este curso cubriremos los tres aspectos
Notar que, al trabajar en computador, siempre trabajaremos con
secuencias discretas (muestras, en todo caso, de señales continuas)
20 de Febrero de 2007 3
GENERACIÓN DE VARIABLES ALEATORIAS
Muchos modelos de sistemas reales contienen elementos que
precisan o admiten un modelado estadístico:
✔ Sistemas de comunicaciones: ruido, desvanecimiento, ...
duración de servicios, ...
✔ Sistemas sensores: proceso de detección, proceso de medida, ...
✔ ...
Modelado toma forma definiendo:
✔ Variables aleatorias que rigen ciertos comportamientos del
sistema
✔ Procesos estocásticos para modelar variación de entradas en el
tiempo.
Se deben definir métodos para generar muestras de variables
aleatorias y muestras de procesos estocásticos.
20 de Febrero de 2007 4
GENERACIÓN DE VARIABLES ALEATORIAS (II)
Esquema general de generación de variables aleatorias y muestras
de procesos estocásticos:
Generación de {Ui} Transformación {xi}
números
X=f(U)
pseudoaleatorios
{Ui}: Conjunto de números generados en el computador, que
siguen una distribución uniforme entre 0 y 1, independientes.
{xi}: Conjunto de números que pueden verse como:
✔ Muestras de una determinada variable aleatoria
tiempo
20 de Febrero de 2007 5
GENERACIÓN DE NUMEROS ALEATORIOS
✔ Comparar sistemas similares bajo condiciones idénticas.
Objetivo:
✔ U(0,1)
✔ Secuencia de números independientes linealmente: Incorrelados
✔ Secuencia reproducible a partir de pocos datos
✔ Coste computacional reducido
20 de Febrero de 2007 6
GENERACIÓN DE NUMEROS ALEATORIOS (II)
✔ c es el incremento
✔ m>0 , m>a , m>c
El número aleatorio entre 0 y 1 se obtiene como:
Ui=zi/m
20 de Febrero de 2007 7
GENERACIÓN DE NUMEROS ALEATORIOS (III)
Propiedades:
✔ Ecuación recursiva: con un valor inicial (z ) se define la
o
secuencia completa. A este valor se el denomina semilla
aleatoria.
✔ Como máximo se pueden conseguir m números aleatorios
distintos.
✔ Tiene comportamiento cíclico. Longitud del ciclo como máximo
m, depende de z0.
✔ ¿Que pasa si z =0? Selección de z puede ser importante.
0 0
✔ No puede salir cualquier número, solo los de la forma z/m.
✔ Dependencia fuertemente no lineal
Ejemplo: función rand de MATLAB 4:
zi=(77 zi1) mod(2311)
20 de Febrero de 2007 8
GENERACIÓN DE NUMEROS ALEATORIOS (IV)
Otros métodos, con carácter general, mantienen misma estructura:
✔ Ecuación recursivas, reproducibles a partir de valor inicial
seleccionable.
✔ Dependencias no lineales => lineales implican correlación entre
muestras.
✔ Tienen comportamiento cíclico.
20 de Febrero de 2007 9
GENERACIÓN DE VARIABLES ALEATORIAS
Como debe ser f(U) para conseguir la distribución deseada
20 de Febrero de 2007 10
MÉTODO DE LA FUNCIÓN INVERSA
Método para funciones continuas:
f(U)=FX1(U)
Demostración de su validez:
✔ Definimos Y=f(U)
✔ Queremos calcular F (y)=P(Y≤y)
Y
✔ F (.) es monótona creciente => P(Y≤y)=P(F (Y)≤F (y))
X X X
✔ F (y)=P(F (f(U))≤F (y))
Y X X
✔ F (y)=P(F (F (U))≤FX(y))
1
Y X X
✔ F (y)=P(U≤F (y))
Y X
✔ Como U es una variable aleatoria uniforme, si 0<p<1
P(U≤p)=p.
✔ Por tanto F (y)=F (y)
Y X
20 de Febrero de 2007 11
MÉTODO DE LA FUNCIÓN INVERSA (II)
U
FX(X)
1
fU(U)
fX(X)
20 de Febrero de 2007 12
MÉTODO DE LA FUNCIÓN INVERSA (III)
Generación completa de una muestra de una variable aleatoria:
✔ Se genera un numero aleatorio u con un generador de números
i
aleatorios.
✔ Se transforma utilizando x =F (ui)
1
i X
Propiedades del método:
✔ Si podemos asumir que los números aleatorios son
independientes, las muestras de las variables aleatorias
transformadas también serán independientes
✔ General, vale para cualquier distribución.
✔ Problema: Generar F (U)
1
X
20 de Febrero de 2007 13
MÉTODO DE LA FUNCIÓN INVERSA (IV)
Extensión a variables aleatorias discretas:
✔ Solo los puntos x tienen una cierta probabilidad de aparecer
k
(p(xk)).
✔
F X x=P X≤ x= ∑ p x i
x i≤ x
Al fin y al cabo, son distribuciones como cualquier otra
Veamos gráficamente
20 de Febrero de 2007 14
MÉTODO DE LA FUNCIÓN INVERSA (V)
U
FX(X)
1
fU(U)
fX(X)
20 de Febrero de 2007 15
MÉTODO DE LA FUNCIÓN INVERSA (VI)
Lo que cambia es el método de generación:
Generación completa de una muestra de una variable aleatoria
discreta:
✔ Se genera un numero aleatorio u con un generador de números
i
aleatorios.
✔ Se transforma seleccionando el menor x tal que u <F(x ).
k i k
Implementación práctica: Ordenar xk, ir recorriendo hasta que se
cumpla la anterior condición, devolver xi=xk.
Generalización a distribuciones mixtas es inmediata.
20 de Febrero de 2007 16
EJEMPLOS
Generación de muestras que siguen una distribución
exponencial:
✔ f (x)=1/c exp(x/c) para valores positivos de x.
X
✔ F (x)=1exp(x/c)
X
✔ f(u)=F (u)= c ln(1u)
1
X
✔ MATLAB: >>x=c*log(1rand(1,1));
Generación de muestras que siguen una distribución discreta:
✔ p(1)=1/3, p(2)=1/2, p(4)=1/6
✔ MATLAB:
>>u=rand(1,1)
>>if(u<1/3) x=1;
>>else if(u<5/3) x=2;
>>else x=4;
20 de Febrero de 2007 17
OTROS MÉTODOS
Problema del método anterior es sintetizar FX1(U).
En ocasiones, mas sencillo emplear propiedades de distribuciones.
Ejemplos:
✔ Composición
✔ Convolución
✔ Transformaciones conocidas
20 de Febrero de 2007 18
COMPOSICIÓN
Método típico para generar distribuciones multimodales:
fX(X)=p1fX1(X)+p2fX2(X)+p3fX3(X)+ ...+pNfXN(X)
Si una distribución es mezcla estadística de otras, por que no:
✔ Generar una variable aleatoria discreta coherente con la
probabilidad de cada modo
✔ Seleccionar el modo resultante
modo.
20 de Febrero de 2007 19
COMPOSICIÓN (II)
Ejemplo: distribución de Laplace fX(X)=1/(2c) exp(|x|/c)
✔ Puede verse como composición de dos exponenciales, una
positiva y otra negativa
✔ Generando dos números aleatorios u y u se puede calcular
1 2
decidiendo con el primero el signo (equiprobable) y con el
segundo el módulo (exponencial).
✔ MATLAB:
if rand(1,1)<0.5
x=c*log(1rand(1,1));
else
x=c*log(1rand(1,1));
20 de Febrero de 2007 20
CONVOLUCIÓN
En otras ocasiones, se sabe que una variable aleatoria es resultado
de la suma de varias otras variables.
Si dos variables aleatorias (X e Y) son independientes, la función
densidad de probabilidad se la suma Z=X+Y puede demostrarse
(ISA) que es: fZ(z)=fX(z)*fY(z) => de hay el nombre del método.
Si sabemos que Z cumple esta propiedad, por que no:
✔ Generar muestras (en el ejemplo x e yi) de las variables
i
aleatorias originales (X e Y en el ejemplo) utilizando el método
que sea preciso.
✔ Sumarlas (en el ejemplo, z =x +y )
i i i
20 de Febrero de 2007 21
CONVOLUCIÓN (II)
Ejemplo 1: mErlang que es la suma de m exponenciales.
✔ MATLAB:
x=0;
for i=1:m
x=xc/m *log(1rand(1,1));
end
20 de Febrero de 2007 22
CONVOLUCIÓN (III)
Ejemplo 2: Síntesis de gaussianas como suma de uniformes
✔ Teorema de límite central.
✔ Sumando suficientes uniformes, tenderemos a una gaussiana.
✔ Método clásico usa 12 => resultado: N(6,1)
20 de Febrero de 2007 23
TRANSFORMACIONES CONOCIDAS
En ocasiones, se conocen relaciones entre variables aleatorias que
permiten transformar unas en otras.
Ejemplo clásico: Generación de variables aleatorias gaussianas
✔ Propiedad conocida: Si tenemos dos variables aleatorias
gaussianas X e Y (media nula y varianza igual):
✔ ¿Cual es la distribución de |X+jY|?
✔ ¿La de M=|X+jY|2 ?
✔ ¿Y la de F=arg(X+jY)?
✔ ¿Hay dependencia entre M y F?
complicado => ya hemos visto como
20 de Febrero de 2007 24
TRANSFORMACIONES CONOCIDAS (II)
A partir de dos variables aleatorias, una exponencial (M) y la otra
uniforme entre 0 y 1 (F), se pueden generar dos gaussianas
independientes utilizando las siguientes transformaciones:
X = M cos2 F
Y = M sen 2 F
El método completo quedará:
✔ Generar dos variables aleatorias uniformes (u y u ).
1 2
✔ Utilizar la siguiente transformación:
x= −2 lnu 1 cos2 u2
Y = −2 ln u 1 sen 2 u2
20 de Febrero de 2007 25
TRANSFORMACIONES CONOCIDAS (III)
generadas de X (comprobar que E{Y}=E{X}+m):
yi=xi+m
✔ Modificación de la varianza: Recordar que Y= a X implica que
Var(Y)=a2 Var(X). Aplicar de forma equivalente a las muestras
generadas de X:
yi=a xi
✔ Traslación de la media y modificación de la varianza conjuntas:
¿Que pasa con media y varianza si Y=a X+m? Pensar antes
de ir a la práctica.
20 de Febrero de 2007 26
GENERACIÓN DE SECUENCIAS
De entre todos los procesos aleatorios, nos vamos a quedar con los
estacionarios. Existen métodos para otras familias, pero no son de
interés en este curso.
OBJETIVO: Generar un proceso estocástico (discreto) con
función densidad de probabilidad ( o distribución) y correlación (o
espectro) arbitrarias.
✔ Problema sin solución general.
✔ En general, incluso cuando es posible, sintetizar adecuadamente
el proceso es difícil
✔ Vamos a exponer un método de generación lo más genérico
posible
20 de Febrero de 2007 27
GENERACIÓN DE SECUENCIAS (II)
¿Como generar procesos gaussianos con una cierta correlación?
Recordar de ISA:
✔ Si tenemos un ruido blanco gaussiano
✔ Pasamos por un filtro con respuesta en frecuencia H(f)
✔ Espectro del ruido coloreado: |H(f)|2
✔ Distribución sigue siendo gaussiana.
Este es el fundamento de la generación de secuencias correladas:
SY(f)=|H(f)|2
RY[n]=ℱ1{|H(f)|2}
20 de Febrero de 2007 28
GENERACIÓN DE SECUENCIAS (III)
Tratemos de generalizar ahora a otras distribuciones:
¿Que pasa si:
?
✔ Espectro: |H(f)|2
✔ Pero distribución se modifica: cada salida es resultado de sumas
ponderadas de entradas
✔ Efecto sumamente difícil de controlar
20 de Febrero de 2007 29
GENERACIÓN DE SECUENCIAS (IV)
Cambiemos ahora el método:
¿Que pasa si :
?
✔ Z=f(Y): No linealidad sin memoria.
✔ Distribución es una gaussiana tras pasar por la transformación
f(Y) => predecible => controlando f(Y) podemos generar la
distribución deseada.
✔ Espectro, al pasar por no linealidad, se distorsiona (y por tanto
correlación). También es predecible esta distorsión =>
controlando H(f), para una f(Y) dada, se puede controlar
espectro de la salida.
20 de Febrero de 2007 30
GENERACIÓN DE SECUENCIAS (V)
¿Como calcular f(Y)?: Puede hacerse en dos etapas:
✔ Convertir gaussiana en uniforme: al igual que F (.) sirve para
1
X
transformar una uniforme en una distribución, FX(.) sirve para
transformar esa distribución en uniforme.
✔ Convertir uniforme en la distribución deseada (método de la
función inversa):
✔ f(Y)=F (FY(Y))
1
Z
20 de Febrero de 2007 31
GENERACIÓN DE SECUENCIAS (VI)
¿Como calcular H(f)?:
✔ Autocorrelación antes de pasar por no linealidad: R'(n)
✔ Función densidad de probabilidad conjunta de dos muestras (u y
v) de la variable aleatoria y[n] separadas n muestras:
1 1 2 2
g u , v , R ' n= exp − u v −2R ' n uv
2π 1−R ' n 2
✔ Autocorrelación a la salida (z[n]):
∞ ∞
R n = ∫ ∫ f u ⋅f v ⋅g u , v , R ' n ⋅du⋅dv
−∞ −∞
✔ A partir de autocorrelación =>|H(f)|2=ℱ{R'[n]}. Usar métodos
de diseño de filtros digitales.
20 de Febrero de 2007 32
GENERACIÓN DE SECUENCIAS (V)
20 de Febrero de 2007 33
COMPROBACIÓN DE RESULTADOS
En la práctica se van a generar un conjunto de muestras de
variables aleatorias y de procesos estocásticos.
Hay que validar los resultados.
Para ello utilizaremos un conjunto de funciones de MATLAB,
aplicándolas sobre los resultados obtenidos para estimar
parámetros de las variable aleatorias y procesos estocásticos
generados.
En prácticas posteriores veremos que es lo que hacen internamente
estas funciones.
20 de Febrero de 2007 34
COMPROBACIÓN DE RESULTADOS (II)
Habrá que utilizar las siguientes funciones de MATLAB:
✔ mean: media
✔ std: desviación típica (raiz cuadrada de la varianza)
autocorrelación?)
✔ psd: densidad espectral de potencia de una señal
✔ hist: Histograma (recordar de LSCM)
20 de Febrero de 2007 35
RESUMEN
Requisitos:
Distribución
Espectro/Autocorrelación
20 de Febrero de 2007 36
SIMULACIÓN
Simulación implica crear un modelo que aproxima cierto aspecto de un sistema del mundo real y que
puede ser usado para generar historias artificiales del sistema, de forma tal que nos permite predecir cierto
aspecto del comportamiento del sistema.
En particular, usaremos computadores para imitar comportamientos del sistemas evaluando
numericamente un modelo del mismo. Estas evaluaciones numericas son las que nos permiten generar las
historias artificiales que no son mas que experimentos.
Modelo
Un modelo es una representación de un objeto, idea, o sistema en una forma diferente a la entidad misma.
En nuestro caso el modelo es un conjunto de relaciones matemáticas o lógicas derivadas de supuestos sobre
el comportamiento del sistema.
¿Para que?
Ejemplo:
¿Cuando?
a) El sistema real no existe. Es costoso, peligroso, consume mucho tiempo, o imposible de construir y
experimentar con prototipos (nuevo computador o procesador, reactor nuclear).
b) Experimentar con el sistema real es complicado, costoso, peligroso, o puede causar serios desajustes
(sistema de transporte, sistema de manufactura, reactor nuclear).
c) Necesidad de estudiar el pasado, presente, o futuro del sistema en tiempo real, tiempo expandido, o
tiempo comprimido (sistemas de control a tiempo real, estudios en cámara lenta, crecimiento
poblacional).
d) Es sistema es tan complejo que su evaluación analítica es prohibitiva, bien sea porque el modelado
matemático es imposible, o porque el modelado matemático no tiene solución analítica o numérica
simple y practica (colas de espera, ecuaciones diferenciales no lineales, problemas estocásticos).
e) Se puede validar satisfactoriamente el modelo de simulación.
Sistema
Experimentar Experimentar
con el sistema con un modelo
mismo del sistema
Modelos Modelos
físicos Matemáticos
Solución
Simulación
analítica
Un modelo analítico es menos detallado que un modelo de simulación. Análisis requiere de muchos
supuestos y simplificaciones. El detalle en un modelo de simulación esta limitado por el tiempo
disponible para desarrollarlo.
Ejemplo:
Es mejor partir de un modelo sencillo, obtener resultados, estudiar la sensibilidad, e introducir mas
detalles en las áreas que impactan mas los resultados.
2. Lenguaje inapropiado
Lenguajes de simulación de propósito especial requieren menos tiempo para implementar el modelo y
facilitan actividades como verificación (mediante el uso de opciones de trazado) y de análisis estadístico.
Lenguajes de propósito general son mas portables y proveen mejor control sobre la eficiencia y el tiempo
de corrida de la simulación.
3. Modelos no verificados
Los modelos de simulación son generalmente programas grandes, que si no se tienen las precauciones
respectivas, es posible tener errores de programación que hagan las conclusiones sin sentido.
4. Modelos inválidos
Aun cuando no hayan errores de programación, puede que el modelo no represente al sistema real
adecuadamente por supuestos incorrectos en su formulación. Es esencial que el modelo sea validado para
asegurar que las conclusiones a las que se pueda llegar sean las mismas que se obtendrían del sistema
real.
Todo modelo de simulación debe estar bajo sospecha hasta que se pruebe lo contrario por modelos
analíticos, mediciones, o intuición.
Por tratar de ahorrar tiempo de análisis y de computación, las corridas de simulación pueden ser muy
cortas. Los resultados en estos casos dependen fuertemente de las condiciones iniciales y pueden no
representar al sistema real. El tiempo de corrida adecuado depende de la exactitud deseada (intervalos de
confianza) y de la varianza de las cantidades observadas.
Las simulaciones requieren de cantidades aleatorias que son producidas por procedimientos llamados
generadores de números aleatorios. Es mejor usar generadores que han sido bien analizados a usar los de
uno mismo. Aun buenos generadores presentan problemas.
Los generadores de números aleatorios son procedimientos que dado un numero aleatorio generan otro.
El primer numero aleatorio de la secuencia es llamado la semilla y debe ser proporcionada por el
analista.
Las semillas para diferentes secuencias deben ser cuidadosamente seleccionadas para mantener
independencia entre las secuencias. Los analistas usualmente usan una misma secuencia para diferentes
procesos o usan la misma semilla para todas las secuencias. Esto introduce correlación entre los procesos
y puede llevar a conclusiones erróneas.
La simulación es un proceso largo y complejo y se debe tener claramente definido un conjunto de metas
que sean especificas, minuciosas, medibles, y alcanzables.
Un ejemplo común de una meta inalcanzable es "modelemos X." Es posible modelar muchas
características diferentes de X a muchos niveles de detalle.
Es esencial que el equipo de simulación y los usuarios de la organización estén en constante contacto
para intercambiar y discutir ideas. La mayoría de los sistemas evolucionan y cambian con el tiempo y un
modelo desarrollado sin la participación de los usuarios raramente resulta exitoso.
Hay muchas herramientas de ingeniería de la programación que permiten vigilar los objetivos del diseño,
los requerimientos funcionales, las estructuras de datos y los estimados de progreso. También hay un
conjunto de principios de diseño, como diseño de arriba abajo y programación estructurada, para
desarrollar grandes proyectos en forma ordenada . Sin el uso de estas herramientas y técnicas es
imposible desarrollar exitosamente un modelo de simulación grande.
III. TERMINOLOGÍA
1. Variables de Estado
El estado del sistema esta caracterizado por el valor que tengan las variables de estado en un instante de
tiempo dado. El conjunto de variables de estado debe ser suficiente para el propósito de estudio, y puede
diferir en el número y tipo de variables si los objetivos de la simulación cambian. Si la simulación es
detenida, puede ser continuada después si y solo si los valores de las variables de estado son conocidos.
2. Evento
Un evento es un suceso, un hecho, una ocurrencia que genera un cambio en el estado del sistema. Una
llegada, una salida, etc.
Numero de Numero de
trabajos estudiantes
en cola en clase los
viernes
tiempo tiempo
(viernes)
El modelo es de estado continuo o discreto dependiendo de si las variables de estado son continuas o
discretas.
Modelo de Estado Discreto → Modelo de Eventos Discretos
Modelo de Estado Continuo → Modelo de Eventos Continuos
Continuidad de tiempo no implica continuidad de estado y viceversa.
Numero de
Nivel de trabajos
agua en cola
tiempo tiempo
Si los resultados de un modelo pueden predecirse con certeza, el modelo es determinístico; un simulador
de contratos colectivos. Si repeticiones con la misma entrada pueden producir resultados distintos
entonces el modelo es probabilístico; un simulador de colas.
Deterministico Probabilistico
salida salida
entrada entrada
Un modelo en el que el tiempo no es una variable es estático. Si el sistema cambia con el tiempo el
modelo es dinámico.
E = m c2 → Modelo Estático (materia en energía)
Si la salida es una función lineal de la entrada, el modelo es lineal, de lo contrario es no-lineal. Ejemplo:
f ( x ) = a + bx vs. f ( x ) = a + b x
Lineal No-Lineal
salida salida
entrada entrada
Abierto Cerrado
Estable Inestable
salida salida
promedio promedio
entrada entrada
Ejemplo
1. Importante
2. Lenguaje de Simulación
Lenguajes como SIMULA y SIMSCRIPT ahorran tiempo de desarrollo: tienen facilidades para generar
estadísticas, reportes, etc. Permiten al analista concentrarse en aspectos específicos del sistema y no
preocuparse por aspectos generales a todas las simulaciones. El código es modular, fácil de leer y
proveen buena detección de errores.
C, Pascal, Fortran. Se usan cuando el analista esta familiarizado con el lenguaje, no hay tiempo de
aprender un lenguaje de simulación o no esta disponible. Proveen flexibilidad, eficiencia y portabilidad.
5. Paquetes de Simulación
QNET4 y RESQ permiten definir el modelo usando un dialogo. Pueden ahorrar mucho tiempo pero son
muy inflexibles. Proveen solo cosas que fueron previstas por los desarrolladores.
V. TIPOS DE SIMULACIÓN
1. Monte Carlo
Simulación estática o sin eje de tiempo. Se usa para modelar fenómenos probabilísticos que no dependen
del tiempo o para evaluar expresiones no-probabilísticas con métodos probabilísticos. Esta definición es
mas restrictiva que la que dan otros autores para los cuales simulación Monte Carlo es cualquier
simulación que use números aleatorios.
Ejemplo 1:
I = ∫ e − x dx
2
Para evaluar esta integral (para este ejemplo es mejor usar métodos numéricos y usar Monte Carlo en
integrales múltiples con integrandos con comportamiento inusual) podemos generar números
aleatorios con distribución uniforme x y para cada numero calcular la siguiente función y:
x ~ Unif(0,2)
E ( y ) = ∫ 2e −x2
f ( x )dx = ∫ 2 e −x2
∫
1 dx = e − x 2 dx = I
2
0 0 0
Y podemos evaluar la integral generando xi, calculando yi, y promediando de la siguiente forma:
xi ~ Unif(0,2)
2
yi = 2e − x
1 n
I = E ( y) = ∑ yi
n 1
Programa y Corridas 1
program calcula_integral;
var suma,n,x,y: extended;
begin n Resultado
randomize;
n := 0; suma := 0;
10.000 0.8855
while n < 1000000 do begin
x := 2 * random; 100.000 0.8807
y := 2 * exp( -x * x ); 1.000.000 0.8822
suma := suma + y;
n := n + 1;
end;
writeln('Resultado: ',suma/n:6:4);
end.
Ejemplo 2:
Para calcular π podemos basarnos en el hecho de que la relación entre el área del circulo y del
π .r 2 π .12 π
cuadrado que se muestra a continuación es = = . Por lo tanto podemos generar pares de
a.b 2.2 4
números aleatorios (x, y) entre -1 y 1 (en realidad es suficiente con generarlos entre 0 y 1 dada la
simetría que presenta el problema y por lo tanto los resultados serán los mismos si consideramos solo
el primer cuadrante), y calcular la relación entre los números dentro del circulo d ( x2 + y2 = 1) con
respecto a los números generados n. Esta relación multiplicada por 4 debe aproximarse más π a
d
medida que el número de pares generados sea mayor, es decir, lim 4 = π
n →∞ n
1
Todos los códigos en Pascal fueron probados usando Delphi 5
-1 1
-1
Programa y Corridas
program calcula_pi;
const limit = 10000000;
var x, y, dentro, contador: extended; n Resultado
begin
randomize;
10.000 3.15560000
dentro := 0;
contador := 0; 1.000.000 3.14124800
while (contador < limit) do begin 100.000.000 3.14139356
x := random;
y := random;
if (x*x + y*y) <= 1 then dentro := dentro + 1;
contador := contador + 1;
end;
writeln('PI: ',4.0*dentro/limit:10:8);
end.
Una traza es un registro de eventos ordenados por tiempo de un sistema real. Son muy usadas para
analizar diferentes alternativas. Las trazas deben ser independientes del sistema bajo estudio.
Ejemplo
Ventajas
a) Credibilidad: Una traza tiene mas credibilidad que una generación aleatoria.
b) Facilidad para validar: Para obtener la traza hay que monitorear al sistema. Durante este
monitoreo se pueden observar otras características del sistema que luego pueden usarse para
validar la simulación.
c) Menos aleatoriedad: Una traza es una entrada determinística. Si la simulación se repite, la traza
es la misma pero la salida puede diferir por aleatoriedad en otros componentes del modelo. Hay
Desventajas
a) Complejidad y detalle: Puede requerir una simulación mas detallada del sistema. Por ejemplo: en
la simulación de un sistema de disco podemos asumir tiempo de acceso exponencial a sectores, o
tomar trazas de los sectores accesados e incluir cómputos del tiempo de rotación del disco y
movimiento de cabezales ⇒ ¡mas cómputos y detalle!
b) Trazas finitas y representatividad: En pocos minutos se puede obtener una traza detallada larga
que puede no ser representativa en todos los momentos.
c) Validación: Las trazas pueden producir diferentes resultados en diferentes alternativas. Deben
usarse varias trazas distintas para validar los resultados.
d) Cambios de trazas: Si se desea estudiar un sistema bajo condiciones distintas, no es posible
modificar las trazas, y hay que tener trazas características para cada caso.
Una simulación que usa un modelo de estado discreto del sistema es llamada una simulación por eventos
discretos. En este tipo de simulaciones el estado del sistema cambia solo en momentos específicos del
tiempo: cuando ocurre un evento. Consideremos un sistema de taquilla simple:
Taquilla
Clientes en cola
Aquí podemos considerar que la variable de estado (la única en este caso) es una variable entera, que
podemos llamar cola, que indica cuantos clientes están frente a la taquilla con las siguientes
consideraciones:
En este tipo de sistema tenemos dos tipos de eventos, llegadas y salidas. Cuando un cliente arriba, la
longitud de cola se incrementa (cambia el estado del sistema), y cuando un cliente termina de ser
atendido este abandona el sistema y la longitud de cola se decrementa (vuelve a cambia el estado del
sistema). Es claro que el estado del sistema no cambia constantemente y solo lo hace al ocurrir un
evento: una llegada o una salida.
Variables de
estado
Lazo de simulación:
Lazo
• obtenga próximo evento
• tiempo = tiempo del evento
• procesa el evento: actualiza variables de
estado y estadísticas y posiblemente genera
nuevos eventos
Fin del lazo
El simulador debe garantizar la causalidad, es decir, que todo evento sea simulado después de todos los
eventos que él dependa. Para entender mejor esto, suponga una habitación con una puerta que esta
cerrada y con una persona dentro. Si se tienen dos eventos: abrir puerta y persona sale, evidentemente
no se puede simular la salida de la persona antes de simular la apertura de la puerta: el evento persona
sale depende del evento abrir puerta. En un simulador en el que solo se permite que el tiempo avance
(nunca retroceda) y en el que los eventos se simulen en estricto orden cronológico (los eventos más
próximos en el tiempo primero), la causalidad esta garantizada. Si la causalidad no se garantiza se puede
generar un caos y la simulación carecería de sentido alguno.
Todas las simulaciones de eventos discretos tienen una estructura común e incluyen los siguientes
componentes:
a) Manejador de eventos: Mantiene los eventos que esperan por suceder. Es de uno de los
componentes de simulación más usados. Es ejecutado antes de la simulación de cada evento y
posiblemente durante la simulación de un evento para programar nuevos eventos. Su
implementación debe ser cuidadosa ya que tiene un fuerte impacto sobre la eficiencia del
simulador.
b) Reloj de simulación y mecanismo de avance de tiempo: Toda simulación tiene una variable global
que representa el tiempo simulado. El manejador es el encargado de avanzar este tiempo. Hay
dos formas de hacer esto:
Método de tiempo unitario: Incrementa el tiempo en pequeños pasos y se chequea si hay eventos
que pueden ocurrir. Generalmente no se usa.
Método por eventos: Incrementa el tiempo automáticamente al tiempo de evento más próximo a
ocurrir.
4. Simulación Continua
Los modelos de simulación continua, donde las variables de estado son continuas, usualmente son
descritos mediante ecuaciones diferenciales y algebraicas. Estas variables de estado por lo general
cambian en forma continua a medida que la simulación avanza, por ejemplo, el contenido de agua en un
embalse cambia continuamente con la afluencia y salida de agua del mismo y no en solo en instantes
específicos del tiempo como si estuviéramos agregando o sacando baldados de agua. Muchas
simulaciones por eventos discretos incluyen subsistemas continuos y viceversa. Se puede hacer en
computadores analógicos o en computadores digitales.
Computadores analógicos son maquinas de propósito especial:
a) operan continuamente sobre todas las variables en tiempo real
b) son dispositivos paralelos
c) incluyen circuiteria para sumatorias, multiplicación, integración, y generación de funciones
d) no tienen capacidades de almacenamiento o son muy limitadas
e) dan resultados inmediatamente
f) no pueden manejar variables muy grandes o muy pequeñas requiriendo cambio de escala
g) las variables de entrada son continuas y esto requiere conversión de voltajes analógicos a números
y viceversa.
I = ∫ e − x dx
2
Programa y Corridas
El siguiente programa calcula el área bajo la curva usando trapecios como los mostrados en la
figura 8.
program calcula_integral;
var suma,x,x1,x2,fx2,tria,paso: extended;
begin paso Resultado
paso := 0.1;
x1 := 0; 0.1 0.87985
x2 := paso; 0.01 0.88208
suma := 0;
while x2 <= 2 do begin
fx2 := exp(-x2 * x2);
tria := (exp(-x1 * x1) - fx2)*paso/2;
suma := suma + tria + xf2 * paso;
x1 := x2;
x2 := x2 + paso;
end;
writeln('Resultado: ',suma:10:8);
end.
f( x1 )
f(x 2 )
x1 x2
La distancia x , en metros, recorrida entre paradas por un ascensor en una mina esta dada por la
siguiente ecuación diferencial:
x ' ' = −1.7 ( t − 2 ) 3 donde t = tiempo en segundos, x ' ( 0) = x ( 0) = 0 y 0 ≤ t ≤ 4.
Programa Comentarios
TITLE PROGRAMA EJEMPLO
* SIMULA LA DISTANCIA RECORRIDA POR UN ASCENSOR FINTIME tiempo de simulacion
CONSTANT K = -1.7
X2 = K*(TIME-2.0)**3 PRDEL intervalo entre impresiones
X1 = INTGRL(0.0,X2)
X = INTGRL(0.0,X1) DELT intervalo de integracion
TIMER FINTIM = 4.0,PRDEL = 0.4, DELT = 0.01
PRINT X,X1,X2
END
STOP
ENDJOB
En GLIDER (Gate, Line, Input, Decision, Exit, Resource), se escriben directamente las ecuaciones
diferenciales. Como no hay segunda derivada, se usa una variable auxiliar para especificarla.
Programa
TITLE Distancia recorrida por un ascensor
NETWORK
C :: X' := Z;
Z' := Y;
Y := -1.7*(TIME - 2.0)*(TIME - 2.0)*(TIME - 2.0);
IF (TRUNC(TIME*100) MOD 40 = 0) THEN ACT(IMP,0);
ENC(A) :: WRITELN(F,' TIEMPO X X1 X2');
WRITELN(F,'---------- ---------- ---------- ----------');
IMP(A) :: WRITELN(F,TIME:10:6,' ',X:10:6,' ',Z:10:6,' ',Y:10:6);
FIN(A) :: CLOSE(F);
INIT
ASSIGN(F,'ELEV.OUT');
REWRITE(F);
ACT(ENC,0);
ACT(IMP,0);
ACT(FIN,4.001);
ACT(C,0);
Z := 0.0;
X := 0.0;
Y := 13.6;
TSIM := 4.001;
DT_C := 0.01;